Penentuan indikator keselamatan ibu menggunakan analisis konfirmatori (CFA) sebagai upaya penurunan kematian maternal di Jawa Timur 2013

TUGAS AKHIR – SS141501

PENENTUAN INDIKATOR KESELAMATAN IBU

MENGGUNAKAN ANALISIS KONFIRMATORY (CFA) SEBAGAI UPAYA PENURUNAN KEMATIAN MATERNAL DI JAWA TIMUR 2013

AULIYA RAHMAH NRP 1311 100 703 Dosen Pembimbing

Dr. Bambang W. Otok, M.Si Program Studi S1 Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember

v FINAL PROJECT – SS141501

DETERMINATION OF SAFE MOTHERHOOD INDICATORS USING CONFIRMATORY FACTOR ANALYSIS (CFA) FOR MATERNAL MORTALITY REDUCTION IN EAST JAVA 2013

AULIYA RAHMAH NRP 1311 100 703 Advisor

Dr. Bambang W. Otok, M.Si

Undergraduate Programme Of Statistic Faculty of Mathematics and Natural Science Institut Teknologi Sepuluh Nopember

ix

SEBAGAI UPAYA PENURUNAN KEMATIAN MATERNAL DI JAWA TIMUR 2013 Nama Mahasiswa : Auliya Rahmah

NRP : 1311 100 703

Jurusan : Statistika FMIPA-ITS Dosen Pembimbing : Dr. Bambang W. Otok, M.Si

Abstrak

Angka kematian maternal merupakan indikator yang mencerminkan status kesehatan ibu, terutama resiko kematian ibu pada waktu hamil dan melahirkan. Kebijakan Departemen Kesehatan Indonesia dalam upaya mempercepat penurunan Angka Kematian Ibu (AKI) pada dasarnya mengacu pada intervensi strategis "Empat Pilar Safe Motherhood” yaitu meliputi: Pelayanan Keluarga Berencana (KB), Pelayanan Antenatal, Persalinan Bersih dan Aman serta Pelayanan Obstetri Essensial. Dalam hal ini akan ditentukan indikator-indikator apa saja yang merupakan pembentuk variabel Safe Motherhood (keselamatan ibu) menggunakan analisis CFA. Didapatkan hasil analisis CFA bahwa variabel pelayanan KB memiliki goodness of fit yang sesuai dengan seluruh variabel indikatornya signifikan. Pada variabel pelayanan antenatal, goodness of fit yang diperoleh juga telah sesuai dengan satu variabel indikatornya tidak signifikan. Selanjutnya untuk variabel persalinan bersih dan aman serta pelayanan obstetri essensial, keduanya memiliki goodness of fit yang sesuai dengan semua indikatornya secara signifikan merupakan komponen pembentuk variabel-variabel laten tersebut. Pada orde dua, goodness of fit yang didapatkan tidak sesuai. Variabel pelayanan KB tidak signifikan dalam membentuk variabel laten keselamatan ibu. Dalam CFA didapatkan pula nilai reliabilitas dari masing-masing konstruk. Hasil perhitungan menunjukkan bahwa variabel laten orde satu dan orde dua memiliki konsistensi yang tinggi kecuali pada variabel laten pelayanan obstetri essensial.

x

xi

ANALYSIS (CFA) FOR MATERNAL MORTALITY REDUCTION IN EAST JAVA 2013

Name of Student : Auliya Rahmah

NRP : 1311 100 703

Department : Statistics FMIPA-ITS Supervisor : Dr. Bambang W. Otok, M.Si

Abstract

The maternal mortality rate is an indicator that reflects the status of maternal health, particularly the risk of maternal death during pregnancy and childbirth. Indonesian Health Ministry policy in an effort to accelerate the decline in maternal mortality ratio basically refers to the strategic intervention "Four Pillars of Safe Motherhood" which includes: Family Planning (KB), Antenatal Care, Childbirth Clean and Safe and Essential Obstetric Care. In this case will be determined indicators what forming a variable Safe Motherhood. From CFA showed that the variables of family planning services has the goodness of fit in accordance with all variables significant in shaping the indicator variables. In the variable antenatal care, goodness of fit is obtained also in compliance with the indicator variable only variable percentage of pregnant women who received ANC (Antenatal Care) at midwife’s home that not significant in forming latent variables antenatal care. Next to a variable safe and clean childbirth and essential obstetric care, both have goodness of fit in accordance with all indicators significantly a component forming the latent variables. In the second order, goodness of fit is not appropriate. Family planning services is not a significant variable in forming latent variables safe motherhood. The calculations show that the latent variables of order one and two have a high consistency except the latent variables essential obstetric care.

xii

xiii

KATA PENGANTAR

Penulis panjatkan rasa syukur atas berkah dan rahmat Allah SWT yang diberikan kepada penulis sehingga dapat menyelesaikan Laporan Tugas Akhir yang berjudul “Penentuan Indikator Keselamatan Ibu Menggunakan Analisis Konfirmatory (CFA) Sebagai Upaya Penurunan Kematian Maternal Di Jawa Timur 2013” selain itu tidak lupa sholawat serta salam penulis sampaikan kepada Nabi Muhammad SAW.

Laporan Tugas Akhir ini dapat terselesaikan atas bantuan, bimbingan dan dukungan dari berbagai pihak secara langsung maupun tidak langsung kepada penulis. Oleh karena itu penulis ingin mengucapkan terima kasih khususnya:

1. Bapak Dr. Bambang W. Otok, M.Si selaku dosen pembimbing atas segala bimbingan, saran, dukungan kesabaran dan waktu yang diberikan kepada penulis hingga laporan Tugas Akhir ini selesai.

2. Bapak Dr. Drs. I Nyoman Latra MS dan Bapak Dr. Sutikno, S.Si, M.Si Selaku Dosen penguji, atas kritik dan saran demi perbaikan laporan Tugas Akhir ini.

3. Ibu Dr. Vita Ratnasari. M.Si selaku dosen wali yang telah membimbing penulis selama berkuliah di jurusan Statistika.

4. Bapak Dr. Muhammad Mashuri, M.T, selaku Ketua Jurusan Statistika ITS dan Ibu Lucia Aridinanti, M.T selaku Ketua Program Studi S1 Statistika ITS.

5. Seluruh dosen jurusan Statistika ITS, atas ilmu yang telah diberikan selama penulis berada di bangku kuliah.

6. Almarhum Kedua orang tua tercinta Bapak Muslimin Hasan dan Ibu Nikmah semoga segala amal ibadahnya diterima disisi Allah SWT, serta Kakak Ahmad Sirojjudin dan Adik Ratna, Dea, Ida yang selalu memberikan dukungan dan doa kepada penulis.

xiv

7. Yang tercinta Mas Asnawi atas kesabaran, waktu dan doa yang diberikan kepada penulis.

8. Lovely best friend, Teteh, Mbak Pipit, Ridyantika, Suwarno, Lyyin, Nely dan Yusman yang telah berbagi ilmu dan suka duka dalam mengerjakan Tugas Akhir ini. 9. Teman-teman SATU MASA 2011 yang selalu

memberikan motivasi kepada penulis

10. Teman-teman Statistika ITS angkatan 2011 yang telah bersedia bertukar pikiran serta diskusi dalam pembuatan Laporan Tugas Akhir ini.

11. Semua pihak yang tidak dapat disebutkan satu persatu yang telah membantu hingga pelaksanaan Tugas Akhir ini dapat terselesaikan dengan baik.

Penulis merasa masih banyak kekurangan dari segi teknis penulisan maupun materi dari Tugas Akhir ini. Oleh karena itu kritik dan saran dari semua pihak sangat diharapkan untuk perbaikan penelitian-penelitian selanjutnya. Semoga Tugas Akhir ini dapat memberikan banyak manfaat bagi semua pihak.

Surabaya, 5 Juli 2015

xv

Halaman

HALAMAN JUDUL... .i

LEMBAR PENGESAHAN ... vii

ABSTRAK ... ix

ABSTRACT ... xi

KATA PENGANTAR ... xiii

DAFTAR ISI ... xv

DAFTAR TABEL ... xvii

DAFTAR GAMBAR ... xix

DAFTAR LAMPIRAN ... xxi

BAB I PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 3 1.3 Tujuan Penelitian ... 3 1.4 Manfaat Penelitian ... 3 1.5 Batasan Masalah ... 4

BAB II TINJAUAN PUSTAKA ... 5

2.1 CFA (Confirmatory Factor Analysis) ... 5

2.1.1 First Order CFA ... 5

2.1.2 SecondOrder CFA ... 8

2.2 Identifikasi ... 9 2.2.1 Unidentified ... 9 2.2.2 Just Identified ... 10 2.2.3 Over Identified ... 10 2.3 Estimasi Model ... 10 2.4 Asumsi ... 13

2.5 Kriteria Goodness of fit ... 15

2.5.1 Absholute Fit Measure ... 15

2.5.2 Increment Fit Measure ... 16

2.6 Construct Reliability (Reliabilitas Komposit) ... 19

2.7 Tinjauan Non Statistik ... 19

xvi

3.1 Sumber Data ...27

3.2 Variabel Penelitian ...27

3.3 Metode Analisis Data ...30

BAB IV ANALISIS DAN PEMBAHASAN ...33

4.1 Statistika Deskriptif ...33

4.2 Pengujian Multivariat Normal ...35

4.3 Unidimensional Variabel Laten ...36

4.3.1 Analisis First Order CFA ...36

4.3.2 Analisis Second Order CFA ...51

BAB V KESIMPULAN DAN SARAN ...63

5.1 Kesimpulan ...63

5.2 Saran ...64

DAFTAR PUSTAKA ...65

LAMPIRAN ...67

xvii

Tabel 2.1 Indeks Pengujian Kelayakan Model ... 18

Tabel 2.2 Definisi Kematian Maternal Pada ICD-10 ... 20

Tabel 3.1 Variabel Penelitian ... 27

Tabel 3.2 Penjelasan Simbol Pada Model CFA ... 30

Tabel 4.1 Karakteristik Variabel ... 33

Tabel 4.2 Goodness of fit CFA Variabel Laten Pelayanan KB ... 38

Tabel 4.3 Factor Loading dan Signifikansi Variabel Laten Pelayanan KB ... 38

Tabel 4.4 Goodness of fit CFA Variabel Laten Pelayanan Antenatal ... 41

Tabel 4.5 Goodness of fit CFA Variabel Laten Pelayanan Antenatal setelah Modifikasi ... 42

Tabel 4.6 Factor Loading dan Signifikansi Variabel Laten Pelayanan Antenatal ... 43

Tabel 4.7 Goodness of fit CFA Variabel Laten Persalinan Bersih dan Aman ... 45

Tabel 4.8 FactorLoading dan Signifikansi Variabel Laten Persalinan Bersih dan Aman ... 46

Tabel 4.9 Goodness of fit CFA Variabel Laten Pelayanan Obstetri Essensial ... 49

Tabel 4.10 Factor Loading dan Signifikansi Variabel Laten Pelayanan Obstetri Essensial ... 49

Tabel 4.11 Goodness of fit CFA Variabel Laten Keselamatan Ibu ... 53

Tabel 4.12 Goodness of fit Modifikasi CFA Variabel Laten Keselamatan Ibu ... 54

Tabel 4.13 Signifikansi Variabel CFA Keselamatan Ibu ... 55

Tabel 4.14 Goodness of fit CFA Variabel Laten Keselamatan Ibu setelah Eliminasi Variabel ... 57

Tabel 4.15 Goodness of fit Modifikasi CFA Variabel Laten Keselamatan Ibu setelah Eliminasi Variabel ... 59

xviii

Eliminasi dan Modifikasi ... 59 Tabel 4.17 Factor Loading Variabel CFA Keselamatan Ibu .... 60

xix

Gambar 2.1 Model First Order Confirmatory Analysis ... 7

Gambar 2.2 Model Second Order Confirmatory Analysis ... 9

Gambar 3.1 Path Diagram Variabel Laten Keselamatan Ibu . 29 Gambar 3.2 Diagram Alir Langkah Analisis ... 31

Gambar 4.1 Grafik Normalitas Data Keselamatan Ibu... 36

Gambar 4.2 Struktur Variabel Laten Pelayanan KB ... 37

Gambar 4.3 Struktur Variabel Laten Pelayanan Antenatal ... 40

Gambar 4.4 Struktur Variabel Laten Pelayanan Antenatal setelah Modifikasi ... 42

Gambar 4.5 Struktur Variabel Laten Persalinan Bersih dan Aman ... 45

Gambar 4.6 Struktur Variabel Laten Pelayanan Obstetri Essensial ... 48

Gambar 4.7 Struktur Variabel Laten Keselamatan Ibu ... 52

Gambar 4.8 Struktur Variabel Laten Keselamatan Ibu setelah Modifikasi ... 54

Gambar 4.9 Struktur Variabel Laten Keselamatan Ibu setelah Eliminasi Variabel ... 57

Gambar 4.10 Struktur Variabel Laten Keselamatan Ibu setelah Eliminasi Variabel dan Modifikasi ... 58

xx

xxi

Lampiran 1. Data Penelitian ... 67 Lampiran 2. Program Macro Minitab Normal Multivariat... 69 Lampiran 3. Output First Order CFA Variabel Laten

Pelayanan Keluarga Berencana (KB) ... 71 Lampiran 4. Output Modifikasi First Order CFA Variabel

Laten Pelayanan Antenatal ... 75 Lampiran 5. Output First Order CFA Variabel Laten

Pelayanan Antenatal (Setelah Modifikasi) ... 77 Lampiran 6. Output First Order Variabel Laten Persalinan

Bersih dan Aman ... 81 Lampiran 7. Output First Order Variabel Laten Pelayanan

Obstetri Essensial ... 85 Lampiran 8. Output Modifikasi Second Order Variabel Laten

Keselamatan Ibu (Sebelum Eliminasi) ... 89 Lampiran 9. Output Modifikasi Second Order Variabel Laten

Keselamatan Ibu (Setelah Eliminasi) ... 93 Lampiran 10. Output Second Order Variabel Laten

xxii

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kehamilan adalah sebuah impian dan merupakan kepuasan tertinggi bagi seorang ibu. Kehamilan dimulai dengan pembuahan dan berakhir dengan kelahiran manusia baru. Kehamilan dan persalinan merupakan proses alami, tetapi bukannya tanpa resiko. Kehamilan merupakan beban tersendiri bagi seorang wanita. Tidak semua hasil persalinan dan kehamilan akan menggembirakan. Ibu hamil bisa menghadapi kegawatan dengan derajat ringan sampai berat. Hal ini dapat memberikan bahaya seperti ketidaknyamanan, ketidakpuasan, kesakitan, kecacatan bahkan kematian ibu hamil ketika mengalami komplikasi dalam persalinan (Saifudin, 2002).

Angka kematian maternal merupakan indikator yang mencerminkan status kesehatan ibu, terutama resiko kematian ibu pada waktu hamil dan melahirkan (Saifudin, 1997). Setiap tahun diperkirakan 529.000 wanita di dunia meninggal sebagai akibat komplikasi yang timbul dari kehamilan dan persalinan. Angka kematian maternal dan angka kematian bayi merupakan ukuran bagi kemajuan kesehatan suatu negara, khususnya yang berkaitan dengan masalah kesehatan ibu dan anak (Wibowo & Rachimhadhi, 1994).

Millenium Development Goals (MDGs) merumuskan 8 tujuan utama komitmen bersama dalam pembangunan global, dan salah satu diantaranya adalah komitmen dalam menurunkan Angka Kematian Ibu (AKI) (WHO, 2002). MDGs menetapkan AKI pada tahun 2015 menjadi 102:100.000 keadaan hidup. Di Indonesia rata-rata kematian ibu tercatat mencapai 359 per 100.000 kelahiran hidup, Rata-rata kematian ini jauh melonjak dibanding hasil Survei Demografi dan Kesehatan Indonesia (SDKI) 2007 yang mencapai 228 per 100.000 keadaan hidup (Rahmaningtyas, 2013). Dalam upaya menurunkan kematian ibu, peningkatan pelayanan kesehatan ibu hamil (ANC) sudah dilaksanakan. Kesenjangan ini

menunjukkan kurang maksimalnya pemanfaatan pelayanan kesehatan (DEPKES, 2011). Selain rendahnya rujukan yang dilaksanakan dengan benar, resiko AKI juga disebabkan oleh rendahnya pengetahuan tentang resiko kehamilan dan melahirkan (WHO, 2005).

Pada tahun 2008 ada sekitar 4.692 ibu yang meninggal pada masa kehamilan, persalinan, dan nifas. Penyebab utama kematian ibu terkait dengan kehamilan dan persalinan adalah disebabkan oleh pendarahan, eklamsia, infeksi, partus lama, dan abortus dimana 52 % diantaranya terjadi karena pendarahan dan eklamsia, padahal kedua permasalahan tersebut seharusnya bisa ditangani jika ibu hamil yang mengalami komplikasi ditolong oleh penolong persalinan yang berkualitas dan mempunyai perangkat serta obat-obatan yang memadai. Dalam hal ini menjadi sangat penting untuk mencermati faktor lain yang berkontribusi memperbesar resiko terjadi kematian pada ibu melahirkan seperti ketersediaan fasilitas kesehatan yang mudah diakses serta mekanisme rujukan yang tepat saat terjadi komplikasi ataupun penyulit persalinan. Kecepatan memperoleh rujukan ke fasilitas kesehatan saat terjadi penyulit persalinan serta kecepatan dan ketepatan penanganan kondisi darurat persalinan berkorelasi erat dengan menurunnya tingkat resiko kematian ibu akibat persalinan. Kondisi ibu hamil sebelum persalinan juga turut menentukan ada tidaknya faktor resiko dan penyulit persalinan. Misalnya, pengetahuan tentang kesehatan reproduksi, status gizi, keteraturan pemeriksaan kehamilan, dan juga kepatuhan mengkonsumsi vitamin dan zat besi (Mundayat, Aris, Noerdin, Agustini, Aripurnami, & Wahyuni, 2010). Kebijakan Departemen Kesehatan dalam upaya mempercepat penurunan Angka Kematian Ibu (AKI) pada dasarnya mengacu pada intervensi strategis "Empat Pilar Safe Motherhood” yaitu

meliputi: Pelayanan Keluarga Berencana (KB), Pelayanan Antenatal, Persalinan Bersih dan Aman serta Pelayanan Obstetri Essensial.

Permasalahan yang akan dipecahkan dalam penelitian ini adalah untuk mengetahui indikator apa saja pembentuk variabel

keselamatan ibu dan mengetahui kontribusi masing-masing variabel yang diduga kuat menjadi penyebab meningkatnya resiko kematian ibu. Karena variabel yang ada merupakan variabel bentukan dan merupakan variabel laten, maka metode analisis yang digunakan adalah Confirmatory Factor Analyisis (CFA).

1.2 Rumusan Masalah

Angka kematian maternal merupakan indikator yang mencerminkan status kesehatan ibu, terutama resiko kematian ibu pada waktu hamil dan melahirkan. Di Indonesia rata-rata kematian ibu tercatat mencapai 359 per 100.000 kelahiran hidup, Rata-rata kematian ini jauh melonjak dibanding hasil Survei Demografi dan Kesehatan Indonesia (SDKI) 2007 yang mencapai 228 per 100.000. Kebijakan Departemen Kesehatan Indonesia dalam upaya mempercepat penurunan Angka Kematian Ibu (AKI) pada dasarnya mengacu pada intervensi strategis "Empat Pilar Safe Motherhood” yaitu meliputi: Pelayanan Keluarga Berencana (KB),

Pelayanan Antenatal, Persalinan Bersih dan Aman serta Pelayanan Obstetri Essensial.

Berdasarkan latar belakang tersebut permasalahan yang diangkat dalam penelitian ini adalah adalah Indikator-indikator apa saja yang dapat digunakan untuk mengukur variabel laten pelayanan keluarga berencana, pelayanan antenatal, persalinan bersih dan aman, pelayanan obstetri esensial pada variabel keselamatan ibu (Safe Motherhood).

1.3 Tujuan Penelitian

Tujuan yang ingin dicapai pada penelitian ini adalah untuk mengidentifikasi variabel indikator yang dapat digunakan untuk mengukur variabel laten pelayanan keluarga berencana, pelayanan antenatal, persalinan bersih dan aman, pelayanan obstetri esensial pada variabel keselamatan ibu.

1.4 Manfaat Penelitian

Manfaat yang diharapkan diperoleh dari penelitian ini adalah sebagai bahan pengetahuan terhadap indikator-indikator yang dapat mengukur secara akurat penentuan indikator yang mempengaruhi tingkat keselamatan ibu hamil.

1.5 Batasan Masalah

Pada penelitian ini analisis dilakukan pada indikator yang diduga kuat merupakan indikator Keselamatan Ibu pada tahap pra dan proses kehamilan dan persalinan pada data RISKESDAS tahun 2013.

5

TINJAUAN PUSTAKA

2.1 CFA (Confirmatory Factor Analysis)

Confirmatory Factor Analysis didasarkan pada variabel teramati yakni indikator-indikator tidak sempurna dan variabel laten atau konstruk yang mendasarinya. Analisis ini merupakan salah satu dari dua pendekatan utama dalam analisis faktor. Pendekatan kedua dalam analisis faktor yang lebih terdahulu digunakan untuk penelitian adalah Explanatory Factor Analysis (EFA). Analisis faktor dapat dibagi menjadi dua pendekatan yang berbeda, yaitu Exploratory Factor Analysis (EFA) dan

Confirmatory Factor Analysis (CFA). EFA merupakan suatu metode eksplorasi data bagi peneliti dengan menyediakan informasi tentang berapa banyak jumlah faktor yang dibutuhkan dalam mewakili data. Sedangkan CFA merupakan metode untuk menguji seberapa baik variabel yang diukur dapat mewakili

construct atau faktor yang terbentuk sebelumnya (Hair, Black, Babin, dan Anderson, 2010).

2.1.1 First Order Confirmatory Factor Analysis

Pada First-Order Confirmatory Factor Analysis suatu variabel laten diukur berdasarkan beberapa indikator yang dapat diukur secara langsung. Model umum analisis CFA untuk yang

First-Order adalah (Bollen, 1989).



_x



x Λ ξ δ

Equation Section 2(2.1)

Dimana 𝐱 adalah vektor variabel indikator berukuran p1 ,

Λ

_x adalah matriks faktor loading berukuran p g , ξ adalah vektor variabel laten berukurang1, serta δ adalah vektor kesalahan pengukuran berukuran p1, dengan p adalah jumlah variabel indikator dan g adalah jumlah variabel laten. Asumsi yang mengikuti persamaan (2.1) adalah E( )δ 0 dan

E

(

ξδ

'

) 0



.

Matriks kovarians 𝐱 yang ditulis sebagai fungsi



dan direpresentasikan sebagai () adalah sebagai berikut (Bollen, 1989)

.

 

 













 

 

' ' ' ' ' ' ' '

'

'

'

'

'

'

'

'

'

'

'

'

0

'

'

x x x x x x x x x x x x x x x

E

E

E

E

E

E

E

E

E



 









_





_







_







_











 











x

xx

Λ ξ δ ξ Λ

δ

Λ ξξ Λ

δξ Λ

Λ ξδ δδ

Λ ξξ Λ

δξ Λ

Λ ξδ

δδ

Λ ξξ Λ

δδ

Λ ξξ Λ

Θ

Λ ΦΛ

Θ

(2.2)

Dimana

Φ

_{adalah matrik kovarians variabel laten} ξ dan Θ_ adalah matriks kovarians untuk eror pengukuran

δ

.

Jika diambil contoh p3 yang berarti model CFA dengan tiga variabel indikator, maka:

1 1 1

;

2 2 2

;

3 3 3

x



 



x



  



x



  



Dengan matriks varians kovarians



2 1 12 13 2 21 2 23 2 31 32 3



























  











(2.3)

Diasumsikan varians faktor laten

 



adalah satu dengan error

 



dan antar konstruk tidak berkorelasi dan error tidak berkorelasi dengan error yang lain. Varians dan kovarians dari indikator diberikan pada persamaan (2.4).

 

 

 

2 2 1 1 1 2 2 2 2 2 2 2 3 3 3 12 21 1 2 13 31 1 3 23 32 2 3 V V V























 





 





 

           

(2.4)

Persamaan (2.4) dengan

  

₁

,

₂

,

₂

,V

   



₁

, V



₂

dan V

 



₃

adalah parameter model, maka elemen matriks varians kovarians adalah fungsi dari parameter model. Matriks varians kovarians hasil parameter didapatkan sebagai berikut:

 

 

 

 

2 1 1 1 2 1 3 2 2 1 2 2 2 3 2 3 1 3 2 3 3 V V V





 

 



 





 

 

 





      _  _  _   

(2.5) Adapun model First Order CFA ditunjukkan pada Gambar 2.1.

Gambar 2.1 Model First Order Confirmatory Analysis

First-Order CFA, ditentukan oleh lima elemen, yaitu: variabel laten (), variabel yang diukur atau biasa disebut variabel indikator (

x

) , factor loading () pada setiap indikator, hubungan

construct (ρ), dan kesalahan untuk setiap indikator ( ). Variabel indikator (

x

) digambarkan dengan variabel yang diukur diwakili

oleh empat persegi panjang, seperti pada Gambar 2.1. Karena hanya ada hubungan korelasi (ρ) yang digambarkan oleh garis panah melengkung berkepala dua antara laten, semua construct dianggap eksogen, sehingga variabel indikator dapat dilambangkan dengan x (misalnya x₁,x₂,,x₆). Hubungan antara variabel laten dan indikator yang mengukurnya masing-masing (disebut factor loading) diwakili oleh tanda panah dari laten ke variabel yang diukur. Kemudian masing-masing variabel indikator yang diukur memiliki kesalahan pengukuran atau error (ditampilkan sebagai  dalam Gambar 2.1), dimana error ini mendeskripsikan sejauh mana laten tidak menjelaskan variabel yang diukur.

2.1.2 Second Order Confirmatory Factor Analysis

Suatu permasalahan memungkinkan untuk variabel laten tidak dapat langsung diukur melalui variabel-variabel indikatornya. Variabel laten tersebut memiliki beberapa indikator-indikator dimana indikator-indikator-indikator-indikator tersebut tidak dapat diukur secara langsung, dan memerlukan beberapa indikator lagi. Dalam kasus ini First Order Confirmatory Factor Analysis tidak dapat digunakan, sehingga digunakan higher order (Second Order Confirmatory Factor Analysis) (Hair, Black, Babin, dan Anderson, 2010). Persamaan untuk model second-order adalah sebagai berikut (Lee,2007):

(

_x

)



_x





  





x

B Λ ξ δ

BΛ ξ Bδ

(2.6)

Dimana 𝑩 variabel laten second order dan

Λ

_x adalah matriks

loading faktor, ξ adalah random vektor variabel laten first order, serta  dan

δ

adalah residual berturut-turut pada variabel laten dan variabel indikator. Sedangkan matriks kovarians

x

dirumuskan sebagai berikut.

' '

( )



(

x x 

)







B Λ ΦΛ



Θ B Θ



(2.7)

Adapun model untuk

Second Order Confirmatory Factor

Gambar 2.2 Second Order Confirmatory Factor Analysis Notasi yang digunakan sama dengan path diagram pada first order

CFA, namun pada path diagram second order CFA terdapat variabel laten orde dua yang dilambangkan dengan

B

dan terdapat error untuk masing-masing variabel laten orde satu.

2.2 Identifikasi

Sebelum melakukan tahap estimasi untuk mencari solusi dari persamaan simultan yang mewakili model yang dispesifikasikan, terlebih dahulu memeriksa identifikasi dari persamaan simultan tersebut. Model struktural dikatakan baik apabila memiliki satu solusi untuk satu estimasi parameter. Dalam satu model sangat mungkin memiliki banyak solusi, sehingga dipilih solusi yang sesuai. Pemilihan solusi yang sesuai tersebut sering disebut dengan masalah identifikasi. Secara garis besar ada 3 kategori identifikasi dalam persamaan simultan:

2.2.1 Unidentified

Model yang diidentifikasi Unidentified adalah model yang terjadi jika parameter-parameternya tidak dapat diestimasi. Dapat dirumuskan sebagai berikut (Hair, Black, Babin, dan Anderson, 2010):



1



2

p p

(2.8)

Dimana: adalah jumlah variabel indikator p

Model teridentifikasi Unidentified jika jumlah parameter yang diestimasi lebih dari



1



2

p p

. 2.2.2 Just Identified

Model yang diidentifikasi Just Identified adalah model yang terjadi jika estimasi yang didapatkan adalah tunggal/unik. Model teridentifikasi Just Identified jika jumlah parameter yang diestimasi adalah sama dengan



1



2

p p _. 2.2.3 Over Identified

Model yang diidentifikasi Over Identified adalah model yang terjadi jika solusi yang dihasilkan adalah tidak tunggal atau berlebih. Model teridentifikasi Over Identified jika jumlah parameter yang diestimasi kurang dari



1



2

p p _{. Identifikasi dalam}

CFA diharapkan model over identified dan menghindari model

under identified. 2.3 Estimasi Model

Ada beberapa teknik estimasi parameter yang bisa digunakan. Teknik-teknik itu adalah Maximum Likelihood Estimation (MLE),

Generalized Least Square (GLS), Unweigthed Least Square

(ULS), dan Weigh Least Square (WLS).

Estimasi parameter berhubungan dengan distribusi data yang digunakan. Estimasi parameter dengan menggunakan Maximum Likelihood Estimation (MLE) memerlukan data yang mengikuti distribusi multinormal (Brown, 2006). Sedangkan apabila dalam penelitian asumsi kemultinormalan data tidak dapat dipenuhi, maka salah satu teknik estimasi parameter yang dapat digunakan adalah Weigh Least Square (WLS) atau juga disebut Asymtocally Distribution Free (ADF). Estimasi yang digunakan jika variabel

indikator yang digunakan lebih dari tiga, maka estimasi parameter menggunakan metode MLE dengan rumus sebagai berikut (Stevens, 2002).

 



1



 

ln ln ML F tr S θ  _  θ  S _p (2.9) Dimana :

F

_ML: fungsi MLE

tr : trace dari matriks

p : jumlah variabel

Adapun fungsi maximum likelihood diatas didapatkan melalui penurunan rumus berikut:

Misalkan N sampel random yang IID dari variabel random Z yang berdistribusi multinormal dengan mean 0 dan variansi ∑. Fungsi kepadatan peluang dari setiap

Z i

_i





1, 2,..., N



adalah



_i

;



f Z

θ

dimana

θ

adalah parameter fixed yang digunakan untuk menentukan peluang dari kepadatan Z.



1, 2,..., N;





1;

 

2;

 

... N;



f Z Z Z θ  f Z θ f Z θ f Z θ

(2.10) Kepadatan bersama (joint density) merupakan perkalian dari densitas marginal (marginal density) Z_i karena Z Z₁, ₂,...Z_N

independen. Jika diobservasi nilai untuk

1, 2,... N

Z Z Z pada suatu sampel, maka dapat dituliskan fungsi likelihood sebagai berikut:



;

1

,

2

,...

N

 

;

1

 

;

2

 

...

;

N



L

θ

Z Z

Z



L

θ

Z L

θ

Z

L

θ

Z

(2.11)

dimana L



θ;Z_i



adalah nilai darif Z



i;θ



. Persamaan (2.11)

merupakan fungsi likelihood yang biasa disingkat

L

 

θ

. Sehingga fungsi kepadatan peluang menjadi:





 

1 1 2 2 1 1 ; exp ' 2 2 p f



     _  _    i i z z z

(2.12)

Untuk sampel random dari N observasi independen dari z, maka

joint density menjadi:



,

,...,

;





;

 

;

 

...

;



f

z z

_{1 2}

z

_N

 

f

z

₁



f

z

₂



f

z

_N



 





 

1 1 2 2 1 1 1 1 ; exp ' 2 2 N N p i i L f



        _  _   



i



i i θ z z z

 

 

1 1 2 2 1 1 1 exp ' 2 2 N p i



     _  _   



zi θ zi

(2.13)

Fungsi likelihoodnya menjadi:

 

 

 

1 1 2 2 1 1 1 ln ln exp ' 2 2 N p i L





   _{ }    _{ }  _    



 i i z θ z

 

 

 

1 1 1 ln 2 ln ' 2 2 2 N i Np _ N       θ 



zi  θ zi

(2.14)

Dengan

 

1



 

1



1 1 1 1 ' ' 2 2 N N i i tr     



z_i  θ z_i  



z_i  θ z_i

 





 





1 1 1 1 1 ' 2 2 N i N i N tr N N tr           





i i z z θ S θ

S adalah estimator Maksimum Likelihood matriks kovariansi sampel. Sehingga

ln

L

 

θ

dapat ditulis ulang menjadi:

 

 

 

 

1 ln ln 2 ln 2 2 2 Np N N L θ 



  θ  tr_S θ  _

 



 

 

1



ln 2 ln 2 2 Np N tr    _{ }    θ  _S θ _

 

 



1



ln 2 N c tr      θ  _S θ _

(2.15) dimana ln 2

 

2 Np c 

Pada persamaan (2.15), constant tidak dipengaruhi pemilihan



ˆ

, sehingga dapat dihilangkan, diperoleh:

 

 

 

1

lnL θ ln  θ tr_S θ  _

(2.16) Penambahan



lnS p



pada persamaan (2.15) tidak mempengaruhi pemilihan



ˆ

, karena

S

dan p adalah konstanta. Oleh karena itu, persamaan untuk FML dapat dituliskan sesuai pada persamaan (2.6).

Kelemahan metode ini adalah menjadi sangat sensitif dan menghasilkan indeks goodness of fit yang buruk bila data yang digunakan besar antara 400-500 (Ghozali & Fuad, 2005).

2.4 Asumsi

CFA merupakan salah satu metode dengan menggunakan estimasi parameter MLE, dalam hal ini distribusi yang dikehendaki adalah Distribusi Normal. Dalam melakukan analisis statistik ada asumsi-asumsi yang harus dipenuhi sebelum melakukan analisis data, salah satu asumsi yang harus dipenuhi adalah data harus berdistribusi normal untuk kasus univariat dan berdistribusi Normal Multivariat pada kasus multivariat. Untuk memeriksa apakah suatu data mengikuti distribusi Normal Multivariat atau tidak, maka dilakukan pengujian distribusi Normal Multivariat dengan menggunakan plot Chi-Square

 



2 Adapun hipotesis yang digunakan adalah:

0 1

: Data berdistribusi multivariat normal : Data tidak berdistribusi multivariat normal

H

H

Sedangkan langkah-langkah untuk melakukan pengujian Normal Multivariat dengan membuat plot



2tersebut adalah sebagai berikut:

a. Menghitung

d

2_j yaitu jarak tergeneralisir (jarak mahalanobis) dengan,



 



2 1

'

j

d



x

_j



x S



x

_j



x

(2.17)

Dengan: S-1 adalah invers matriks varians kovarians sampel yang berukuran

p p



.

b. Mengurutkan nilai

d

2_jdari nilai terkecil sampai yang terbesar atau

d

₍₁₎2



d

₍₂₎2

 

...

d

_(n)2

c. Langkah selanjutnya yaitu membuat plot dengan titik

koordinat 2 2 _0,5 ,

;

j n j p n

d



_{   }    

















dimana nilai 2 0,5 ,n j p n



_{   }    

didapatkan dari tabel Chi-Square dengan derajat bebas 0,5

,n j p

n  

. Plot ini akan membentuk garis lurus dan jika terdapat kelengkungan menunjukkan penyimpangan dari normalitas. Hipotesis nol akan ditolak atau data tidak berdistribusi Normal Multivariat jika terdapat kurang dari 50% jarak

d

2_j





_2_p;0,5dengan p adalah banyak variabel. Seharusnya secara kasar persentase yang diharapkan sama atau lebih besar dari 50% dari sampel yang ada.

Dapat pula melakukan pengujian Normal Multivariat dengan statistik uji:  







 



 







 



1 2 2 1 1

,

1, 2,...n

n j j j Q _{n n} j j j j

x

x

q

q

r

j

x

x

q

q

  



















(2.18)

dimana:

x : jarak tergeneralisir (jarak mahalanobis)

q : nilai kuantil normal standart dengan tingkat probabilitas



j 0,5



n 

daerah kritis: tolak H0 pada taraf



jika rQ



Critical Point yang diperoleh dari Q-Q plot koefisien ( Johnson & Wichern, 2007).

2.5 Kriteria Goodness of fit

Kebaikan model (goodness of fit) secara menyeluruh (overall model fit) atau disebut dengan uji kelayakan model, terdapat beberapa metode kebaikan sesuai model yaitu Absolut Fit Measure

dan Increment Fit Measure dengan penjelasannya sebagai berikut: 2.5.1 Absolute Fit Measure

Absolut Fit Measure adalah cara mengukur model fit secara keseluruhan dengan beberapa kriterianya adalah sebagai berikut: 1. Chi-Square Statistik

Nilai Chi-Square ini menunjukkan adanya penyimpangan antara sample covariance matrix dan model (fitted) covariance matrix. Nilai Chi-Square ini hanya akan valid apabila asumsi normalitas data terpenuhi dan ukuran sampel besar. Nilai Chi-Square sebesar nol menunjukkan bahwa model memiliki fit yang sempurna (perfect fit). Hipotesis yang digunakan adalah sebagai berikut:

H0:

  

 



, matriks varian kovarian populasi sama dengan matriks varian kovarian yang diestimasi

H1:

  

 



, matriks varian kovarian populasi sama dengan matriks varian kovarian yang diestimasi

Hasil yang diharapkan adalah menerima

H

₀ dengan syarat nilai 2



sekecil mungkin atau P-value >



(Hair, Black, Babin, dan Anderson, 2010).

2. Goodness of fit Index (GFI)

Diusulkan oleh Joreskog dan Sorbom (1984) untuk estimasi dengan Maximum Likelihood Estimation (MLE), Unweigthed Least Square (ULS), kemudian digeneralisir ke metode estimasi yang lain oleh Tanaka dan Huba (1985). Nilai GFI berkisar antara 0 (Poor fit) sampai dengan 1 (Prefect fit).

0

1

F

k

GFI

F

dengan:





0

Nilai minimum fit function setelah pemodelan dengan

k derajat bebas

Nilai fit function yang dihasilkan jika semua parameter

bernilai 0

k

F

F



 



k

S

Nilai yang tinggi dalam indeks ini menunjukkan sebuah better fit. Nilai GFI0, 90 merupakan good fit (kecocokan yang baik), sedangkan 0,80GFI 0, 90 sering disebut marginal fit (Hair, Black, Babin, dan Anderson, 2010).

3. Root Mean Square Error of Approximate (RMSEA)

Diusulkan oleh Steiger dan Lind (1980) sebagai salah satu indeks yang informatif dalam SEM

.

d

RMSEA

df



(2.20) 2

1

df

d

N









(2.21)

dimana:

2

_{Nilai statistik uji yang}

2

_dianalisis

Derajat bebas pengujian model

N

Jumlah Sampel

df











nilai RMSEA0, 05menandakan close fit, sedangkan 0, 05RMSEA0, 08menunjukkan good fit (Hair, Black, Babin, dan Anderson, 2010).

2.5.2 Increment Fit Measure

Increment Fit Measure adalah membandingkan model yang diusulkan dengan model dasar (baseline model) yang sering disebut sebagai null model atau independence model. Kriteria pada

1. Adjusted Goodness of fit (AGFI)

AGFI adalah analog dari R2dalam regresi berganda. Tingkat penerimaan yang direkomendasi adalah bila AGFI mempunyai nilai sama dengan atau lebih besar dari 0,9 (Bollen, 1989). Sedangkan pengertian yang lain Adjusted Goodness of fit

merupakan pengembangan dari GFI yang disesuaikan dengan ratio degree of freedom untuk proposed model dengan degree of freedom untuk null model (Hair, Black, Babin, dan Anderson, 2010).





0

1

1

m

db

AGFI

GFI

db

 



(2.22)







0

1

2

p q

p q

db





 

(2.23) 0 m

db



db



t

(2.24) dimana:

p : Jumlah indikator endogen

q : Jumlah indikator eksogen

t : Jumlah parameter

2. Tucker Lewis Index/Non Normed Fit Index (TLI)

Nilai TLI berkisar antara 0 sampai 1, dengan nilai 0, 90

TLI  menunjukkan good fit, sedangkan apabila 0,80TLI 0, 90 sering disebut marginal fit. TLI dihitung dengan rumus sebagai berikut (Hair, Black, Babin, dan Anderson, 2010). 2 2 2

1

n k n k n n

df

df

TLI

df











 











 







 



































(2.25)

Dimana;

2 2

Nilai statistik uji model yang independen Nilai statistik uji model yang dianalisis Derajat bebas pengujian model independen

Derajat bebas pengujian model yang dianalisis

n k n k df df      

3. Comparative Fit Index (CFI)

Sama dengan nilai TLI, pada CFI nilainya juga berkisar antara 0 sampai 1. Untuk nilai CFI  0,90 menunjukkan goodness fit, sedangkan 0,80  CFI < 0,90 sering disebut marginal fit. CFI dihitung dengan rumus sebagai berikut (Hair, Black, Babin, dan Anderson, 2010)









2 2

1

k k n n

df

CFI

df







 



(2.26)

Dengan demikian indeks-indeks yang digunakan untuk menguji kelayakan sebuah model adalah seperti dalam Tabel 2.1 berikut ini:

Tabel 2.1 Indeks Pengujian Kelayakan Model No Goodness of fit Index Cut off Value

1 Chi-Square (χ2_{) Statistics Diharapkan kecil (dibawah} nilai tabel) 2 P value Chi-Square (χ2₎ Statistics >



0,1 3 RMSEA ≤0.08 4 GFI ≥0.90 5 AGFI ≥0.90 6 TLI ≥0.90 7 CFI ≥0.90

Sumber: (Hair, Black, Babin, dan Anderson, 2010)

Pemilihan kriteria pengukuran ini sebaiknya dipenuhi minimal satu dari pengukuran increment fit measure dan satu dari pengukuran absolute fit measure. Lebih lanjut pengukuran yang

digunakan adalah



2 serta degree of freedom, CFI atau TLI dan RMSEA dimana memberikan informasi cukup dalam mengevaluasi model (Hair, Black, Babin, dan Anderson, 2010). 2.6 Construct reliability (Realibilitas Komposit)

Setelah didapatkan kecocokan model dan data secara keseluruhan adalah baik, maka langkah selanjutnya adalah evaluasi atau uji kecocokan model pengukuran. Berdasarkan hal tersebut untuk mengukur realibilitas dalam SEM akan digunakan Construct reliability. Realibilitas suatu konstruk dihitung sebagai berikut:

2 1 2 1 1 n i i n n i i i i

Construct Reliability







  

















_{ }















(2.27)

dimana



_imenyatakan loading faktor, dan



_i adalah error untuk setiap indikator atau juga dapat dihitung menggunakan rumus



2



1 1

1

n n i i i i





 









dimana i1, 2, 3,...,n. Ukuran ini dapat diterima kehandalannya apabila koefisien construct realibility

 

CR



0,70

dan menunjukkan good reliability. Sedangkan bila 0, 60CR0, 70juga dapat diterima dan menunjukkan bahwa indikator pada konstruk model telah baik (Hair, Black, Babin, dan Anderson, 2010).

2.7 Tinjauan Non Statistik

Pada International Statistical Classification of Diseases and Related Health Problems, Tenth Revision, 1992 (ICD-10), WHO mendefinisikan kematian maternal adalah kematian seorang wanita saat masa hamil atau dalam 42 hari setelah terminasi kehamilan, terlepas dari durasi dan lokasi kehamilan, dari setiap penyebab yang berhubungan dengan atau diperburuk oleh kehamilan atau pengelolaannya, tetapi bukan dari sebab-sebab

kebetulan atau insidental (WHO, 2007).

Tabel 2.2. Definisi kematian maternal pada ICD-10

Definisi Pengertian

Pregnancy Related Death

Kematian seorang wanita selama kehamilan atau 42 hari setelah terminasi kehamilan, tanpa memperdulikan penyebab kematiannya

Late Maternal

Death

Kematian seorang wanita karena penyebab langsung atau tidak langsung yang lebih dari 42 hari, namun kurang dar setahun setelah terminasi kehamilan Sumber: WHO, UNICEF, UNFPA and The World Bank

Kematian ibu dibagi menjadi kematian langsung dan tidak langsung. Kematian ibu langsung adalah sebagai akibat komplikasi kehamilan, persalinan, atau masa nifas, dan segala intervensi atau penanganan tidak tepat dari komplikasi tersebut. Kematian ibu tidak langsung adalah merupakan akibat dari penyakit yang sudah ada atau penyakit yang timbul sewaktu kehamilan yang berpengaruh terhadap kehamilan, misalnya malaria, anemia, HIV/AIDS, dan penyakit kardiovaskular. Menurut Mochtar (1998), penyebab kematian maternal dapat dikelompokkan menjadi:

a. Sebab Obstetri Langsung

Sebab obstetri langsung adalah kematian ibu karena akibat langsung dari penyakit penyulit pada kehamilan, persalinan, dan nifas; misalnya karena infeksi, eklampsia, perdarahan, emboli air ketuban, trauma anastesi, trauma operasi, dan sebagainya.

b. Sebab Obstetri Tidak Langsung

Sebab obstetri tidak langsung adalah kematian ibu akibat penyakit yang timbul selama kehamilan, persalinan, dan nifas. Misalnya anemia, penyakit kardiovaskular, serebrovaskular, hepatitis infeksiosa, penyakit ginjal, dan sebagainya. Termasuk juga penyakit yang sudah ada dan bertambah berat selama kehamilan.

c. Sebab Bukan Obstetri

Sebab bukan obstetri adalah kematian ibu hamil, bersalin, dan nifas akibat kejadian-kejadian yang tidak ada hubungannya dengan proses reproduksi dan penanganannya. Misalnya karena kecelakaan, kebakaran, tenggelam, bunuh diri, dan sebagainya. d. Sebab Tidak Jelas

Sebab tidak jelas adalah kematian ibu yang tidak dapat digolongkan pada salah satu yang tersebut di atas. Dari penyebab-penyebab di atas, dapat pula dibagi dalam dua golongan, yaitu:

1) Kematian yang dapat dicegah disebut juga preventable maternal death atau avoidable factors, adalah kematian ibu yang seharusnya dapat dicegah jika penderita mendapat pertolongan atau datang pada saat yang tepat sehingga dapat ditolong secara profesional dengan fasilitas dan sarana yang cukup.

2) Kematian yang tidak dapat dicegah atau unpreventable maternal death, adalah kematian ibu yang tidak dapat dihindari walaupun telah dilakukan segala daya upaya yang baik.

Penyebab kematian ibu terbanyak adalah perdarahan, eklampsia atau tekanan darah tinggi saat kehamilan, infeksi, partus lama, komplikasi aborsi (Prawirohardjo, 2008). Sedangkan menurut Departemen Kesehatan RI, faktor – faktor yang mempengaruhi kematian maternal dibagi menjadi:

1. Faktor Medik

 Faktor empat “terlalu”, yaitu :

a) Usia ibu pada waktu hamil terlalu muda (kurang dari 20 tahun)

b) Usia ibu pada waktu hamil terlalu tua (lebih dari 35 tahun) c) Jumlah anak terlalu banyak (lebih dari 4 orang)

 Jarak antar kehamilan terlalu dekat (kurang dari 2 tahun)  Komplikasi kehamilan, persalinan dan nifas yang merupakan

a) Perdarahan pervaginam, khususnya pada kehamilan trimester ketiga, persalinan dan pasca persalinan.

b) Infeksi.

c) Keracunan kehamilan.

d) Komplikasi akibat partus lama. e) Trauma persalinan.

 Beberapa keadaan dan gangguan yang memperburuk derajat kesehatan ibu selama hamil, antara lain :

a) Kekurangan gizi dan anemia.

b) Bekerja (fisik) berat selama kehamilan. 2. Faktor Non Medik

Faktor non medik yang berkaitan dengan ibu, dan faktor yang menghambat upaya penurunan kesakitan dan kematian maternal adalah :

a) Kurangnya kesadaran ibu untuk mendapatkan pelayanan antenatal.

b) Terbatasnya pengetahuan ibu tentang resiko kehamilan c) Ketidakberdayaan sebagian besar ibu hamil di pedesaan

dalam pengambilan keputusan untuk dirujuk.

d) Ketidakmampuan sebagian ibu hamil untuk membayar biaya transportasi dan perawatan di rumah sakit.

3. Faktor Pelayanan Kesehatan

Faktor pelayanan kesehatan yang belum mendukung upaya penurunan kesakitan dan kematian maternal antara lain berkaitan dengan cakupan pelayanan KIA, yaitu:

a) Belum mantapnya jangkauan pelayanan KIA dan penanganan kelompok berisiko.

b) Masih rendahnya (kurang lebih 30%) cakupan pertolongan persalinan oleh tenaga kesehatan.

c) Masih seringnya (70–80%) pertolongan persalinan yang dilakukan di rumah, oleh dukun bayi yang tidak mengetahui tanda – tanda bahaya.

Berbagai aspek manajemen yang belum menunjang antara lain adalah :

a) Belum semua kabupaten memberikan prioritas yang memadai untuk program KIA

b) Kurangnya komunikasi dan koordinasi antara Dinkes Kabupaten, Rumah Sakit Kabupaten dan Puskesmas dalam upaya kesehatan ibu.

c) Belum mantapnya mekanisme rujukan dari Puskesmas ke Rumah Sakit Kabupaten atau sebaliknya.

a) Berbagai keadaan yang berkaitan dengan ketrampilan pemberi pelayanan KIA juga masih merupakan faktor penghambat.

Semakin banyak ditemukan faktor risiko pada seorang ibu hamil, maka semakin tinggi risiko kehamilannya. Tingginya angka kematian maternal di Indonesia sebagian besar disebabkan oleh timbulnya penyulit persalinan yang tidak dapat segera dirujuk ke fasilitas pelayanan yang lebih mampu. Faktor waktu dan transportasi merupakan hal yang sangat menentukan dalam merujuk kasus risiko tinggi.

2.8 Penelitian Sebelumnya

Penelitian terkait dengan metode Second Confirmatory Factor Analysis (CFA) pernah dilakukan oleh Sari (2011) mengenai indikator performa pengelolaan lingkungan hidup dalam survei publik Otonomi Award Jawa Pos Institute Of Pro Otonomi. Variabel yang digunakan sebagai penyusun performa pengelolaan lingkungan hidup sebanyak 3 kriteria yakni akses (equity) penggunaan natural capital sumber daya alam, integrasi pengelolaan lingkungan dan kelestarian (sustainability) natural capital dan human capital. Penelitian ini memberikan hasil bahwa parameter performa pengelolaan lingkungan hidup secara akurat diukur menggunakan 9 variabel laten dan 39 indikator penyusunnya. Akses (equity) penggunaan natural capital sumber daya alam, integrasi pengelolaan lingkungan dan kelestarian (sustainability) natural capital dan human capital menunjukkan bahwa nilai factor loading secara signifikan berpengaruh (unidimensional) terhadap variabel-variabel laten pada first order

dan second order, namun ada beberapa estimasi memerlukan modifikasi untuk mendapatkan model pengukuran yang baik.

Penelitian dengan metode yang sama juga pernah dilakukan oleh Efendi (2014) mengenai Analisis Faktor Konfirmatori Untuk Mengetahui Kesadaran Berlalu Lintas Pengendara Sepeda Motor di Surabaya Timur. Tujuan penelitian ini adalah untuk mengetahui indikator apa saja yang paling berkontribusi besar dalam survey kesadaran berlalu lintas, variabel laten yang digunakan adalah kesadaran berlalu lintas, pribadi, aturan dan lingkungan. Hasil first order CFA adalah variabel laten kesadaran kontribusi terbesar pernah melihat kecelakaan sehingga lebih waspada, variabel pribadi kontribusi terbesar tidak mengerem secara mendadak, variabel aturan kontribusi terbesar menggunakan jaket (perlengkapan berkendara) dan variabel lingkungan kontribusi terbesar mematuhi aturan meskipun tidak ada polisi yang menjaga. Sedangkan pada second order CFA menghasilkan kesadaran berlalu lintas kontribusi terbesar adalah lingkungan.

Penelitian mengenai kematian maternal pernah dilakukan oleh Novita (2012) mengenai Pemodelan Maternal Mortality di Jawa Timur dengan pendekatan Geographically Weighted Poisson Regressiondengan jumlah kematian ibu di tiap kabupaten sebagai variabel responnya. Tujuan penelitian ini adalah memodelkan jumlah maternal mortality di Jawa Timur untuk mendapatkan faktor-faktor yang berpengaruh signifikan. Hasil penelitian ini menunjukkan bahwa jumlah maternal mortality di Jawa timur memiliki pola yang menyebar sehingga diindikasikan terdapat faktor spasial. Lokasi yang berdekatan memiliki kesamaan signifikansi variabel prediktor. Variabel prediktor yang digunakan antara lain persentase ibu hamil yang melaksanakan program K1, persentase persalinan yang dibantu oleh dukun, persentase ibu hamil yang mendapatkan Fe1, persentase ibu hamil beresiko tinggi/komplikasi ditangani, persentase rumah tangga hidup sehat, persentase bidan disetiap kota/kabupaten dan persentase sarana kesehatan. Penelitian ini memberikan hasil bahwa Variabel yang signifikan berpengaruh terhadap kematian ibu adalah persentase

ibu hamil yang melaksanakan program K1, persentase persalinan dibantu oleh dukun, persentase rumah tangga berperilaku hidup bersih sehat, dan persentase sarana kesehatan di tiap kabupaten/kota di Jawa Timur. Dengan variabel yang sama pada penelitian Novita (2012), Pertiwi (2012) melakukan penelitian mengenai Spatial Durbin Model Untuk Mengidentifikasi Faktor-Faktor Yang Mempengaruhi Kematian Ibu Di Jawa Timur. Penelitian ini memberikan hasil bahwa Variabel yang signifikan berpengaruh terhadap kematian ibu adalah persentase persalinan dibantu oleh dukun, persentase rumah tangga berperilaku hidup bersih sehat, dan persentase sarana kesehatan di tiap kabupaten/kota di Jawa Timur.

Penelitian sejenis juga pernah dilakukan dengan menggunakan metode yang berbeda oleh Arfan (2014) mengenai Pendekatan Spline Untuk Estimasi Kurva Regresi Nonparametrik Pada Data Angka Kematian Maternal di Jawa Timur. Variabel prediktor yang digunakan adalah persentase ibu hamil yang mendapatkan tablet Fe1, persentase ibu hamil yang melaksanakan program K1, persentase ibu hamil beresiko tinggi/komplikasi yang ditangani, persentase rumah tangga berperilaku hidup bersih dan sehat, persentase penduduk perempuan yang pernah kawin dibawah umur, persentase penduduk perempuan dengan pendidikan paling tinggi SD dan persentase balita dengan bidan sebagai penolong pertama kelahiran. Pendekatan menggunakan regresi nonparametrik spline pada angka kematian maternal di Jawa Timur dapat mengestimasi data yang tidak memiliki pola tertentu. Penelitian ini memberikan hasil bahwa Faktor yang berpengaruh signifikan pada angka kematian maternal adalah persentase ibu hamil yang mendapatkan tablet Fe1, persentase ibu hamil melaksanakan program K1, persentase ibu hamil berisiko tinggi/komplikasi yang ditangani, persentase rumah tangga berperilaku hidup bersih sehat, persentase penduduk perempuan yang pernah kawin di bawah umur, persentase penduduk perempuan dengan pendidikan paling tinggi SD, dan persentase

balita dengan bidan sebagai penolong pertama kelahiran. Regresi spline linier menghasilkan R2 sebesar 96,39 %.

27

METODOLOGI PENELITIAN

3.1 Sumber Data

Sumber data yang digunakan dalam penelitian ini adalah data sekunder, data sekunder yang digunakan adalah data hasil Laporan Riset Kesehatan Dasar (RISKESDAS) Propinsi Jawa Timur tahun 2013. Unit observasi yang diteliti adalah 29 kabupaten dan 9 kota di Jawa Timur. Dalam penelitian ini diasumsikan bahwa kuisinoner data berdasarkan hasil survey telah tervalidasi dan responden yang mengisi kuisioner telah mengisi dengan benar.

3.2 Variabel Penelitian

Variabel Penelitian yang digunakan dalam penelitian ini terdiri dari 1 variabel laten orde dua yaitu Keselamatan Ibu dan 4 variabel laten orde satu, masing-masing diukur kembali oleh variabel-variabel indikatornya. Variabel indikator yang digunakan berjumlah 17 variabel. Variabel yang digunakan ditunjukkan pada Tabel 3.1

Tabel 3.1 Variabel Penelitian Variabel Laten Orde Dua Variabel Laten Orde Satu Indikator Var Keselamatan Ibu Pelayanan Keluarga Berencana

Persentase wanita usia

subur kawin X1

Persentase wanita usia

subur menggunakan KB X2 Persentase bidan dalam

pelayanan KB X3

Persentase penggunaan

CPR (Contraceptive

Prevalence Rate) Modern X4

Tabel 3.1 Lanjutan Variabel Penelitian

Pelayanan Antenatal

Persentase ibu hamil yang

mengkonsumsi Fe1 X5

Cakupan ANC (Antenatal

Care) K1 ideal X6

Persentase ibu hamil yang mendapatkan pelayanan ANC (Antenatal Care) di rumah bidan

X7

Persentase tenaga dokter kebidanan dan kandungan ANC (Antenatal Care)

X8

Persentase ibu yang

memeriksakan kehamilan X9

Persalinan Bersih dan Aman

Persentase ibu hamil yang melakukan persalinan dengan normal

X10

Prevalensi wanita usia subur yang mengalami kurang energi kronik pada saat hamil

X11

Persentase ibu hamil yang melakukan persalinan tanpa penolong persalinan ahli

X12

Persentase persalinan yang dibantu oleh dukun X13

Pelayanan Obstetri Esensial

Persentase ibu yang melakukan persalinan di rumah bidan (RB)

X14

Persentase ibu yang melakukan persalinan di rumah sakit

Tabel 3.1 Lanjutan Variabel Penelitian

Persentase wanita usia subur yang ditolong oleh bidan

X16

Persentase wanita usia subur yang ditolong oleh dokter kandungan

X17

Sumber: WHO, 1994, Kemenkes RI, McCarthy dan Maine dalam “Fibriana (2007)”

Berikut pula ditampilkan pula kerangka konsep model CFA untuk variabel laten Keselamatan Ibu pada Gambar 3.1

Gambar 3.1 Path Diagram Variabel Laten Keselamatan Ibu Sumber: WHO, 1994, Kemenkes RI, McCarthy dan Maine dalam “Fibriana (2007)”

Keterangan gambar dari hubungan variabel diatas, ditunjukkan pada Tabel 3.2

Tabel 3.2 Penjelasan Simbol Pada Model CFA

Gambar Keterangan

Variabel Laten (endogenuous dan eksogenuos)

Variabel Manifest (terukur)

Garis pengaruh (Path Influence) 3.3 Metode Analisis Data

Adapun metode analisis data yang dilakukan untuk menjawab dari tujuan penelitian adalah sebagai berikut:

1. Membuat statistika deskriptif untuk mengetahui karakteristik pada masing-masing variabel indikator.

2. Setelah diketahui karakteristik pada masing-masing variabel indikator, berikutnya dilakukan evaluasi pada indikator-indikator penilaian yang berpengaruh secara signifikan terhadap variabel-variabel laten yang menyusun variabel keselamatan ibu. Berikut merupakan tahapan yang dilakukan: a. Menguji kemultinormalan data dan diharapkan data

berdistribusi normal multivariat.

b. Melakukan identifikasi model, diharapkan model over identified.

c. Melakukan pengujian kecocokan antara model dengan data menggunakan kriteria Goodness of fit, apabila masih belum sesuai dilakukan modifikasi model.

d. Melakukan uji signifikansi untuk masing-masing parameter variabel laten menggunakan hasil P-value, apabila P-value kurang dari 0,1 maka dapat dikatakan bahwa variabel tersebut signifikan membentuk suatu unidimensi.

e. Melakukan validitas dan reliabilitas konstruk untuk masing-masing unidimensional. Hal ini dilakukan untuk mengetahui sejauh mana konstruk mampu menjelaskan secara representatif dan konsisten terhadap variabelnya.

Berdasarkan langkah analisis diatas maka dapat diperjelas melalui diagram alir pada Gambar 3.2 berikut:

Analisa Deskriptif untuk mengetahui karakteristik pada masing-masing variabel indikator

Menguji kemultinormalan data

Melakukan identifikasi model

Melakukan pengujian kecocokan antara model dengan data menggunakan kriteria Goodness of fit

Melakukan uji signifikansi untuk masing-masing parameter variabel laten

Data

Melakukan validitas dan reliabilitas konstruk untuk masing-masing unidimensional

Mengetahui hasil analisis CFA pada variabel keselamatan ibu

33

ANALISIS DAN PEMBAHASAN

4.1 Statistika Deskriptif

Safe Motherhood (Keselamatan Ibu) merupakan upaya untuk menurunkan angka kematian ibu hamil, bersalin dan nifas. Upaya ini terutama ditunjukan pada negara yang sedang berkembang karena 99% kematian ibu di dunia terjadi di negara-negara berkembang. Variabel keselamatan ibu dibentuk oleh 4 variabel laten yang dikenal sebagai pilar utama safe motherhood (pelayanan KB, pelayanan antenatal, persalinan bersih dan aman dan pelayanan obstetri essensial) dengan 17 variabel indikatornya. Berikut merupakan karakteristik pada masing-masing variabel indikatornya.

Tabel 4.1 Karakteristik Variabel

Variabel Mean* St. Def Minimum* Maximum*

X1 61,037 3,96 50,55 67,39 X2 73,67 9,17 53,00 90,90 X3 62,01 7,46 43,30 73,5 X4 62,01 7,47 43,30 73,3 X5 91,384 5,92 73,70 98,6 X6 85,78 7,98 61,80 96,8 X7 60,41 17,25 19,30 85,30 X8 12,19 10,26 0,60 32,6 X9 97,987 2,72 88,90 100 X10 86,07 6,52 71,80 97,10 X11 27,64 12,98 0,00 52,30 X12 8,97 11,32 0,00 57,20 X13 4,86 7,87 0,00 36,10 X14 50,45 14,89 12,10 77,20 X15 24,51 11,95 2,30 50,60 X16 73,99 8,95 54,80 89,50 X17 20,65 10,66 3,50 44,10 (*satuan dalam persen (%))